深入研究基于云计算的风电场在线监测和动态风速预测，针对移动互联网、云计算、大数据、物联网等技术在风电场的应用，是未来风电场的发展方向，也是实现智能化风电场的手段和必要措施。通过开发整场控制器统一协调控制风电场所有风电机组，智能控制风电场电能对电网的输出，提高风电场整体的发电量，满足目前和未来的电网要求，挖掘风电机组无功能力，降低风电场造价及运行成本；开发基于云计算的大数据平台，可根据风功率预测合理制定维护检修备件计划，降低管理成本。

云计算也是目前信息产业最热门的技术之一，GIS厂商纷纷将GIS软件迁移至云计算环境。与国外云计算部署不同，国内更青睐私有云技术，企业、政府机构纷纷搭建私有云GIS平台。针对风电场设计的特点，基于目前云计算应用和研究，构建了私有云GIS平台的体系框架，并对平台所涉及的主要关键技术进行深入探索，对私有云GIS模式下的资源进行详细的分类，包括核心服务、服务管理、用户访问接口3个部分。核心服务将硬件基础设施、软件运行环境、应用程序抽象成服务，可满足多样化的风电场设计应用需要。

风电大规模接入对电网安全稳定运行造成较大的困难。建立风电数据中心，通过对监控数据进行数据挖掘，提前发现风电存在的安全隐患，对保障设备的可靠运行具有重大意义。传统的数据中心建设需要大量的计算设备，系统扩展性差，成本高，可靠性低。首次建立基于云计算的风电远程设备监控和故障诊断系统，详细分析建设需求和功能结构。实验结果验证该系统能高速分析处理海量监控数据,精确评价设备故障，极大地降低风电场运营成本和风险。

随着能源问题的进一步严峻，我国能源结构中可再生能源部分逐步增大。风力发电作为一种清洁能源，将成为未来能源结构的主体。当前风力发电的不稳定性直接影响风电并网，也就造成了大量的风电浪费。因而高效的风电功率预测能够提高风电的利用率。风电功率预测比一般预测问题要更加复杂，影响风力发电的因素有很多。为了能够进行有效的风电预测输入参数必须要比一般电力功率预测问题要多。人工神经网络在风电功率预测领域应用广泛，但是由于它容易陷入局部最优，因而多采用智能优化算法对其进行改进。粒子群算法，遗传算法等算法虽然能解决神经网络陷入局部最优的问题但是当输入参数维数增多时，上述算法的性能很低，很难有效的进行风电功率预测，引入菌群优化算法对传统神经网络算法进行改进，以此来进行风电功率预测。并将该算法在Spark云平台下实现，提高整个算法的运行效率。分析传统风电预测面临的问题，并研究不同预测方法的优缺点。比较几种智能算法的性能，根据风电预测的特殊性选择合适的智能算法对现有算法进行针对性改进。研究分析菌群优化算法的原理其特点，确定其相对其他优化算法对多维优化问题具有更大优势。并将菌群优化算法与人工神经网络结合，给出一种新型的神经网络预测方法—菌群神经网络(BCO-NN)。将神经网络权值、阈值等相关参数定义成一个矢量，作为菌群优化算法的细菌个体进行优化。并对该改进算法进行并行化设计。提出S-BCO-NN风电预测算法，在每一个Spark节点通过训练数据集训练BCO-NN，并通过训练数据集评价神经网络的性能。将神经网络的性能指标传递至Spark主节点，根据权值决策策略给各个节点赋予不同的权值,以获得最终的预测结果。进行实验测试与算例分析。选用湖北省风电场提供的真实数据，在实验室搭建的9节点的云计算集群上对提出的算法进行性能测试，并与现有的风电预测方法进行对比。实验结果验证提出算法的风电预测精度均优，可为风电预测提供有效依据，且具有较好的并行性能。

2. 研究的基本内容与方案

由于发电机组设备之间距离相对较远， 传统有线传输所需的人力物力巨大， 同时存在可扩展性弱的缺点，不利于风力发电的后续增容建设，因此，基于无线传输的远程风力发电智能监测系统成为研究热点。并研究出几种有效完成在线监测的方案。方案1提出了一种基于GPRS的风光发电远程数据监测系统，该系统采用单片机和 无线 GPS 模块，实现风力发电的远程智能监测；方案2采用 Zigbee 无线传感器网络采集数据，通过GPRS网络进行远程传输，并利用 Labview 构建上位机监测系统；方案3基于无线传输构建风力发电机组的综合状态评价系统，其核心技术为多源数据融合；方案4采用 Wifi 技术对风力发电机的叶片进行远程监控，有效监控叶片的运行状态和覆冰状态。
上述方法虽然都有效实现了风力发电的无线 监测，但是都是采用传统 Wifi、3G 通信、WLAN 等 无线传输方 式 ，其 中 Wifi 传输距离一般只有 50~ 100 m，无法满足远程需要 ，而 3G 则 具 有 相 对 较 窄带宽，信号实时传输能力较弱，无法满足风力发 电设备海量监测数据采集和传输需要， 其数据传 输过程中产生 资费也导致使用成本较高 ， 虽 然 WLAN 技术通信带宽满足要求 ，但无线信号传输 距离和可靠性同样无法满足远程监控需要。
现提出基于云计算技术的风力发电智能监测系统， 利用云计算技术实现风力发电海量监测数据的存储和数据处理， 对风力发电设备进行有效远程智能监测。利用物联网技术进行信息无线采集，并利用 Wimax 无线组网技术进行无线传输， 实现风力发电设备在线信息的无线采集和传输。系统仅需要无线传感器节点硬件， 简化了监控系统物理结构，降低了系统成本，增强其可扩展性。

风力发电最重要的因素之一是风速。 功率曲线特征与风速风力发电生产的链 接。风速是不可控的，不可调节的，导致间歇性风能。这影响电能质量，危害电 力系统稳定和电力调度。出于这个原因， 准确有效地预测出风电场的输出功率 可帮助电力系统调度运行人员做出最有效决策。目前， 许多研究人员已经就风速预测问题进行了研究，并且提出了许多预测 方法，大体可以分为 3 类：物理方法、时间序列方法和人工智能算法。当然，这 种分类方法并不绝对， 现在已经很少存在只用单一的物理方法或者统计方法来进 行风速预测的模型， 在许多高效的预测方法中这几种模型都同时得到应用。 并且， 近些年随着人工智能的不断发展，诸如人工神经网络（ ANN）和模糊逻辑等方 法都已广泛应用到风速预测的模型中。现需研究出更新的模型或者在现有模型基础上进行改进。

期间应用到matlab进行仿真分析，尽可能的创造出一些较新的方案措施及有效的技术方案，对新领域做出一定的成果来。

1.冬雷, 廖晓钟, 王丽婕. 大型风电场发电功率建模与预测[M]. 科学出版社, 2014.

2.叶杭冶. 风力发电机组的控制技术[M]. 机械工业出版社, 2015.

3.吴斌. 风力发电系统的功率变换与控制[M]. 机械工业出版社, 2012.